Các giải pháp quản lý tình trạng pin lithium tùy chỉnh cho người dùng là rất quan trọng để cải thiện độ an toàn của pin lithium. Bị giới hạn bởi thói quen sử dụng khác nhau, chế độ vận hành động và dữ liệu lịch sử hạn chế, dự đoán tình trạng pin lithium được cá nhân hóa theo thời gian thực phải đối mặt với những thách thức lớn. Nghiên cứu này tiết lộ bộ dữ liệu toàn diện gồm 77 pin lithium LFP/than chì (77 sơ đồ phóng điện) với hơn 140.000 chu kỳ sạc-xả và phát triển một khung học tập chuyển đổi sâu sử dụng 30 chu kỳ hiện tại gần đây nhất. Dữ liệu sạc và xả cục bộ theo chu kỳ cho phép dự đoán tình trạng sức khỏe được cá nhân hóa theo thời gian thực cho bất kỳ chu kỳ nào của chiến lược xả pin mới. Các lỗi kiểm tra trung bình của khung được đề xuất lần lượt là 0,176% và 8,72% đối với ước tính dung lượng và dự đoán tuổi thọ còn lại. Hơn nữa, khung thuật toán được đề xuất cho phép di chuyển giữa các cấu hình sạc, nhiệt độ xung quanh và vật liệu pin khác nhau. Nghiên cứu tận dụng hai bộ dữ liệu công khai để tạo điều kiện ước tính dung lượng (0,328%/0,193%) và dự đoán tuổi thọ còn lại (9,80%/9,90%).
Trong bối cảnh mục tiêu "carbon kép", điện khí hóa hệ thống điện đã trở thành xu hướng tất yếu trong quá trình phát triển điện tử công suất. Là "trái tim" của các thiết bị điện tử, sức khỏe của pin lithium có tầm quan trọng rất lớn. Trong những năm gần đây, việc tối ưu hóa các chiến lược sạc cho pin lithium đã thu hút rất nhiều nghiên cứu. Ngược lại, do sự khác biệt về sở thích sử dụng giữa những người dùng pin lithium khác nhau, việc quản lý xả pin lithium cũng là một mắt xích cực kỳ quan trọng. Dự đoán cá nhân hóa theo thời gian thực về tình trạng sức khỏe của pin lithium (tức là dung lượng và thời gian sử dụng còn lại) theo các chiến lược xả khác nhau sẽ cung cấp cho người dùng các tình huống sử dụng an toàn và có thể lập kế hoạch, đồng thời tăng cường quản lý tình trạng pin lithium. Ngoài ra, công nghệ quản lý sức khỏe của pin lithium có thể thúc đẩy sự tiến bộ của công nghệ tự phục hồi và tái chế, đồng thời có khả năng hỗ trợ sự phát triển của một thế hệ pin mới. Ví dụ: người dùng có thể ước tính tình trạng hiện tại của pin lithium sau khi xả năng lượng cao và lập kế hoạch sử dụng mới để kéo dài tuổi thọ còn lại của pin lithium dựa trên kết quả ước tính hiện tại. Tương tự như vậy, các nhà sản xuất có thể kiểm tra hiệu suất hiện tại của pin lithium sau khi xả cực mạnh, có thể được sử dụng để cải thiện thiết kế pin. Ngoài ra, các nhà tái chế có thể đánh giá tình trạng sức khỏe hiện tại của pin lithium để xác định xem chúng có phù hợp để tái sử dụng (và nếu có thì cho ứng dụng nào), tái sản xuất hoặc tái chế. Do đó, công nghệ quản lý sức khỏe pin được cá nhân hóa theo thời gian thực có thể phục vụ các đối tượng khác nhau như người dùng, nhà sản xuất và nhà tái chế.
Dự đoán sức khỏe được cá nhân hóa theo thời gian thực của pin lithium phải đối mặt với hai vấn đề chính: sự khác biệt của các chiến lược xả và dự đoán thời gian thực. Đầu tiên, do sự khác biệt lớn trong thói quen sử dụng của những người dùng khác nhau, cũng như các chất hóa học trong pin, nhiệt độ xung quanh và dữ liệu lịch sử khác nhau, nên hiếm khi tồn tại các chiến lược xả và kiểu xuống cấp của pin lithium. Do đó, nếu tình trạng sức khỏe của pin mới được dự đoán trực tiếp thông qua dữ liệu lịch sử của các loại pin khác, thì có thể có độ lệch lớn. Công việc trước đây đã tập trung vào dự đoán tuổi thọ bằng cách trích xuất các tính năng hiệu suất cao phổ biến từ dữ liệu chu kỳ pin trước đó hoặc lập mô hình và dự đoán được cá nhân hóa bằng cách sử dụng ít nhất 25% dữ liệu xuống cấp trên mỗi ô. Một mặt, việc sử dụng các tính năng phổ biến tạo ra các lỗi dự đoán có thể dự đoán được do bỏ qua các kiểu suy giảm được cá nhân hóa của từng ô. Mặt khác, độ chính xác dự đoán của các phương pháp dự đoán công việc trước đây phụ thuộc nhiều vào lượng dữ liệu. Thứ hai, thời gian thực là mục tiêu quan trọng của dự đoán tình trạng sức khỏe, người dùng có thể nắm bắt tình trạng sức khỏe hiện tại của pin theo thời gian thực và lên lịch bảo trì hoặc thay thế cho phù hợp, trong khi nghiên cứu hiện tại tập trung vào dự đoán tình trạng sức khỏe của pin trong một số chu kỳ.
Hiện tại, học chuyển đổi có thể sử dụng kiến thức miền khác nhưng có liên quan để chuyển sang miền mục tiêu để giúp miền mục tiêu đạt được kết quả học tập tốt hơn. Là một nhánh quan trọng của học chuyển giao, học chuyển sâu không yêu cầu kỹ thuật tính năng thủ công. Hiện tại, các phương pháp học chuyển giao sâu đã được áp dụng thành công cho nhiều ứng dụng khác nhau, chẳng hạn như chẩn đoán y tế, hóa học, xử lý ngôn ngữ tự nhiên và sản xuất thông minh. Đối với các kiểu sử dụng pin lithium khác nhau, học chuyển giao sâu có tiềm năng to lớn giúp nhận ra dự đoán tình trạng pin lithium được cá nhân hóa theo thời gian thực.
Theo quan điểm này, Viện sĩ Ding Han, Giáo sư Yuan Ye và Giáo sư Huang Yunhui của Đại học Khoa học và Công nghệ Huazhong đã đề xuất một bộ khung học sâu có thể chuyển đổi để thực hiện dự đoán sức khỏe của pin lithium được cá nhân hóa theo thời gian thực. Sử dụng dữ liệu phóng điện cục bộ của 30 chu kỳ cuối cùng của chu kỳ hiện tại, khung học chuyển được đề xuất có thể nhanh chóng dự đoán tình trạng của pin lithium cho chu kỳ này. Khung thuật toán được đề xuất trong nghiên cứu này được xác minh trên bộ dữ liệu pin lithium LFP/than chì hỗ trợ và sai số trung bình của ước tính dung lượng và dự đoán tuổi thọ còn lại lần lượt là 0,176% và 8,72%. Khung thuật toán cũng có thể nhận ra dự đoán di chuyển giữa pin lithium với các vật liệu khác nhau, nhiệt độ môi trường khác nhau và cấu hình phóng điện khác nhau và hiệu quả của sơ đồ đề xuất được xác minh thêm bằng cách sử dụng hai bộ dữ liệu công khai. Khung thuật toán có thể được mở rộng cho các tình huống phóng điện khác (chẳng hạn như phóng điện liên tục, phóng điện ngẫu nhiên, v.v.), cũng như các tình huống sạc nhanh (chẳng hạn như sạc nhiều bước, sạc xung, sạc điện liên tục, v.v.). Ngoài ra, khung thuật toán được đề xuất dự kiến sẽ được mở rộng cho pin bán rắn, pin thể rắn và pin hậu lithium-ion (chẳng hạn như pin lithium-lưu huỳnh, pin natri-ion, v.v.).